Nel lavoro, l'algoritmo ha raggiunto una precisione superiore al 94% nell'identificazione degli eventi avversi e un'elevata capacità di riconoscere correttamente gli eventi gravi e quelli non ancora descritti nelle informazioni di prodotto. Secondo gli autori, questo approccio consente di recuperare informazioni che spesso non vengono riportate nei sistemi di segnalazione spontanea, ampliando il patrimonio di dati disponibili per la sorveglianza post-marketing.

L'integrazione dei dati provenienti da cartelle cliniche elettroniche con registri di malattia, banche dati amministrative e sistemi di farmacovigilanza permette di costruire un monitoraggio continuo della sicurezza dei medicinali. I Real World Data possono infatti contribuire all'identificazione precoce di nuovi segnali, alla valutazione della frequenza degli eventi avversi e al monitoraggio della sicurezza in popolazioni poco rappresentate nei trial clinici, come anziani, pazienti con multimorbidità o soggetti in politerapia.

Gli autori evidenziano come strumenti di questo tipo possano essere integrati nelle principali infrastrutture di farmacovigilanza, tra cui Sentinel negli Stati Uniti e DARWIN EU® in Europa, favorendo una rilevazione più rapida dei potenziali segnali di sicurezza e supportando le successive valutazioni epidemiologiche e regolatorie.

Nonostante le prospettive offerte dai Real World Data, rimangono aspetti da affrontare, tra cui la qualità delle informazioni registrate nelle cartelle cliniche, la standardizzazione dei dati, la tutela della privacy e la validazione clinica degli algoritmi. Per gli autori, l'intelligenza artificiale non è destinata a sostituire i sistemi di farmacovigilanza tradizionali, ma a integrarli, rendendo più tempestiva l'identificazione delle reazioni avverse e rafforzando il monitoraggio della sicurezza dei farmaci lungo tutto il loro ciclo di vita.